El 10 de enero de 2026, un pánico silencioso comenzó a recorrer los canales discretos de Silicon Valley. No lo provocó un desplome del mercado ni una nueva regulación, sino un gráfico.
Durante una sesión informativa sobre el estado de la investigación en IA, Kaoutar El Maghraoui, de IBM Research, junto con analistas de Adaline Labs, expuso una realidad que la industria llevaba tiempo intentando ignorar: las leyes de escalado han muerto.
Durante los últimos cinco años, toda la economía de la IA generativa, valorada en $1 billón, se ha construido sobre una única ecuación limpia: si multiplicas el cómputo por 10, reduces la tasa de error a la mitad. Era la “Ley de Moore” de la inteligencia, y justificaba cada centro de datos gigantesco, cada gigavatio de potencia y cada pedido de Nvidia H100.
Pero a partir del primer trimestre de 2026, las cuentas han dejado de cuadrar. La industria ha chocado con el “muro del escalado”.
La física del fracaso
La trampa de la “ley de potencias”
Para entender por qué esto es una catástrofe para el ciclo de capital actual, hay que fijarse en la curva de “cómputo frente a rendimiento”, conocida formalmente como las leyes de escalado de Kaplan (2020) y refinada después por los artículos de Chinchilla (2022).
Durante cinco años, estas leyes fueron el evangelio de Silicon Valley. Establecían que el rendimiento de un modelo mejora como una función de ley de potencias de tres variables: el tamaño del modelo (parámetros), el tamaño del conjunto de datos (tokens) y el cómputo (FLOPs).
De 2020 a 2024, esta curva se comportó de forma lineal en escala logarítmica. Alimentar a la bestia con más GPU la hacía más inteligente. GPT-4 era más inteligente que GPT-3 porque era más grande. Claude 3.5 era más inteligente que Claude 3 porque era más denso. La correlación era tan estrecha () que los ingenieros podían predecir la puntuación exacta de un modelo en el conjunto de problemas matemáticos GSM8K antes de terminar su entrenamiento.
Pero a finales de 2025, la curva empezó a aplanarse. Los modelos insignia más recientes, lanzados este mes (a pesar de haberse entrenado en clústeres 5 veces mayores que los de sus predecesores), muestran mejoras marginales en capacidad de razonamiento.
Los inversores están viendo un rendimiento decreciente de su inversión de lo más brutal.
Donde es la pérdida (tasa de error), es el cómputo y es el exponente de escalado. El problema es que es pequeño (normalmente entre 0.05 y 0.1 para el razonamiento complejo). Esto marca el paso de un régimen lineal a uno logarítmico. Conseguir una mejora del 10 % en razonamiento exige ahora multiplicar por 100 la potencia de cómputo.
Esto no es solo un problema de ingeniería; es una sentencia de muerte financiera. Si los costes de entrada (energía + silicio) escalan de forma exponencial () pero el valor de salida (inteligencia) escala de forma lineal (), los márgenes tienden a cero.
El problema del agotamiento de datos
El principal culpable es el “agotamiento de datos”. Los laboratorios se han quedado literalmente sin texto humano de alta calidad. Para 2024, todos los grandes laboratorios ya habían extraído todo el contenido de Common Crawl, GitHub y LibGen. Habían ingerido la suma total de internet público.
La industria intentó resolverlo con “datos sintéticos”: hacer que una IA escriba libros de texto para que otras IA los lean. Pero los informes de enero de 2026, en concreto la demoledora investigación sobre el “colapso del modelo” de la Universidad de Oxford y la Universidad Rice, confirman lo que temían los escépticos.
Cuando una IA se entrena con su propia producción, los errores sutiles se acumulan y la varianza se reduce. El modelo se vuelve seguro de sí mismo, pero equivocado. Pierde la “cola larga” del pensamiento humano raro, creativo y debidamente caótico. Es el equivalente digital de la endogamia. El acervo del pensamiento humano aporta la varianza y la creatividad, mientras que los datos sintéticos son la fotocopia de una fotocopia.
Sin datos humanos frescos de “alta entropía” (que escasean más cada día que el contenido de IA inunda la web), los modelos alcanzan una asíntota. Dejan de volverse más inteligentes y simplemente se vuelven más “fluidos” alucinando.
El “activo varado” de un billón de dólares
Este estancamiento técnico crea un enorme problema financiero. Convierte el despliegue de infraestructura de $1 billón en la mayor asignación errónea de capital desde la burbuja de las telecomunicaciones de 2001.
Las firmas de capital riesgo han volcado más de $200 mil millones en laboratorios de “modelos fundacionales” en los últimos 24 meses. Ese capital se desplegó con la tesis de que el propio modelo es el producto. Se suponía que quien construyera el “Cerebro Divino” ganaría el mercado. El razonamiento era: “La escala es todo lo que necesitas”.
Pero si el escalado se ha estancado, el “Cerebro Divino” no llegará el año que viene. El mercado se queda con “Cerebros Bastante Buenos”, que son productos básicos indistinguibles entre sí.
El calendario de depreciación infernal
Piensa en la economía de un clúster de H100. Compras 100 000 GPU por $4 mil millones. Gastas otros $1 mil millones en hormigón, refrigeración y cables Infiniband. Tienes un calendario de depreciación a 5 años.
Para recuperar ese dinero, ese clúster necesita producir un modelo claramente mejor que lo que ofrece gratis el código abierto. Pero los modelos de pesos abiertos (como Llama 4 y lo último de Mistral) se están acercando a menos de un 2 % de distancia de los gigantes de código cerrado.
Si OpenAI, Anthropic, Google y Meta tienen modelos de rendimiento prácticamente igual porque todos han chocado con el mismo muro físico, entonces el margen se desploma. La barrera de entrada no es la “magia”, es solo capital. Y el capital es barato.
Esto convierte los enormes clústeres de GPU que se construyen actualmente en Texas y Dakota del Norte en posibles “activos varados”. Se diseñaron para un régimen de entrenamiento (ejecuciones masivas y monolíticas que duran meses) que ya no tiene sentido económico. Los constructores están vertiendo hormigón para pistas de aterrizaje de 747 en un mundo que se encamina hacia los drones.
La rima histórica: la fibra en 2001
Esta película ya se ha visto antes. A finales de la década de 1990, empresas como Global Crossing y WorldCom tendieron millones de millas de cable de fibra óptica a través del Atlántico. Creían que el tráfico de internet se duplicaba cada 100 días (la “ley de escalado” de aquella época).
Acertaron en la dirección, pero se equivocaron en el momento de la monetización.
La fibra se instaló. La capacidad estaba ahí. Pero las aplicaciones estrella (YouTube, Netflix, el iPhone) estaban a diez años de distancia. ¿El resultado? El precio del ancho de banda se desplomó hasta cero. Las empresas de infraestructura quebraron. Los activos los compró por cuatro duros la siguiente generación (Google, Amazon).
La industria de la IA se enfrenta al mismo “Valle de la Decepción”. Los chips existen. Los modelos existen. Pero no existen los $1 billón en aplicaciones generadoras de ingresos necesarias para pagar la factura de la electricidad.
Hablando de energía, las restricciones físicas aprietan tanto como las algorítmicas. Como se detalla en The Shadow Utility: Meta’s 6.6GW Nuclear Maneuver, la red eléctrica sencillamente no puede soportar la curva exponencial, incluso si las matemáticas funcionaran. La industria choca con el “Muro Termodinámico” en el mismo momento en que choca con el “Muro Algorítmico”.
Del Capex al Opex: el giro hacia el “Sistema 2”
El dinero inteligente ya se está moviendo. Fíjate en el giro del primer trimestre de 2026 del entrenamiento (Capex) a la inferencia (Opex).
El informe de “Adaline Labs” destaca un cambio crítico: el “escalado en tiempo de inferencia”. En lugar de hacer el modelo más grande (algo que está fallando), los ingenieros hacen que el modelo piense durante más tiempo.
Es el paso del pensamiento de “Sistema 1” (rápido, intuitivo, reflejo) al de “Sistema 2” (lento, deliberativo, razonado), un concepto tomado de Daniel Kahneman.
En 2024, si le planteabas un problema matemático a GPT-4, intentaba validar la respuesta de una sola pasada. En 2026, las nuevas arquitecturas generan 50 pasos posibles, los critican, retroceden y verifican la lógica antes de producir un token final.
Con técnicas como la verificación de “cadena de pensamiento” y el debate entre múltiples agentes, los modelos más pequeños pueden superar a los gigantes. Un modelo de 70 000 millones de parámetros que piensa durante 10 segundos puede vencer a uno de 1 billón de parámetros que responde al instante.
La consecuencia económica
Esto cambia por completo el modelo de negocio de la IA. Traslada el coste de la fase de entrenamiento (comprar la fábrica) a la fase de uso (quemar el carbón).
Es un desastre para la narrativa del “margen SaaS”. Los fondos de capital riesgo adoran las empresas de software porque tienen costes marginales nulos. Una vez escrito el código, el siguiente usuario sale gratis.
Pero el “escalado en tiempo de inferencia” se parece más a un proceso industrial. Tienes que gastar $1 de electricidad para generar $1.50 de valor. Eso supone un margen bruto del 33 %, no el margen del 90 % del software al que Wall Street se ha vuelto adicta.
Si la IA es un bien industrial, como la electricidad o el acero, entonces las valoraciones de estas empresas están 10 veces por encima de lo razonable.
La sacudida de 2026
La industria entra en la fase de “desilusión” del ciclo de la publicidad exagerada (hype cycle). Esto no significa que la IA haya terminado. Significa que la IA fácil ha terminado.
Los ganadores de 2026 no serán las empresas que construyan los clústeres más grandes. Serán las que descubran cómo exprimir valor económico real de los modelos “estancados” que ya existen.
El “muro del escalado” no es el fin de la IA. Es solo el fin de sus dolores de crecimiento. Ahora llega lo difícil: conseguir un empleo. El “Cerebro Divino” no vendrá a salvar a la industria. Los desarrolladores tienen que construir las aplicaciones ellos mismos.
Fuentes (4)
- labs.adaline.ai The AI Research Landscape in 2026
- research.ibm.com Kaoutar El Maghraoui (IBM Research)
- baincapitalventures.com VC Insights 2026 Predictions
- epoch.ai Data Trends
🦋 Discusión en Bluesky
Discutir en Bluesky